Vorhersage der Reaktion auf PD-1-Checkpoint-Blockade mithilfe von Deep-Learning-Analyse von Bildgebung und klinischen Daten (Onc AI)

Jüngste Phase-III-Studien haben die Wirksamkeit von Atezolizumab (PD-L1) bei metastasiertem dreifach negativem Brustkrebs [3] und kleinzelligem Lungenkrebs gezeigt, während sich der Behandlungsstandard für nicht-kleinzelligen Lungenkrebs im Stadium III mit positiven Ergebnissen geändert hat der PACIFIC-Phase-III-Studie, in der Durvalumab (PD-L1), das nach einer Radiochemotherapie verabreicht wurde, eine signifikante Verlängerung des Gesamtüberlebens zeigte.

Niedrige Ansprechraten, im Allgemeinen im Bereich von 15 % bis 20 % bei den meisten Krankheiten, wenn es als Einzelwirkstoff verwendet wird, hohe Therapiekosten weltweit (150.000 USD oder mehr pro Jahr in den USA) und schwerwiegende immunvermittelte unerwünschte Ereignisse, insbesondere bei PD-1 /PD-L1-Inhibitoren werden mit den CTLA-4-Inhibitoren (Ipilimumab) kombiniert. Unvorhersehbare und niedrige Ansprechraten der Patienten in Verbindung mit hohen Medikamentenkosten und schwerwiegenden Toxizitäten können Gesundheitssysteme, Kostenträger und Patienten erheblich belasten. Da PD-[L]1-Checkpoint-Inhibitoren weiterhin an Akzeptanz gewinnen, sind eindeutig diagnostische Tools zur Stratifizierung von Patienten nach Ansprechwahrscheinlichkeit erforderlich.

Der Standard-of-Care-Biomarker ist ein immunhistochemischer (IHC)-Test, der die Spiegel des in Tumorproben exprimierten PD-L1-Proteins misst. Die Belastung durch Tumormutationen, das Vorhandensein tumorinfiltrierender Lymphozyten und entzündlicher Zytokine werden in mehreren klinischen Studien mit PD-(L)1 untersucht, oft in Kombination mit zusätzlichen immunonkologischen (IO) Therapien. Bei einem solchen Ansatz wird ein nicht-invasiver bildgebender Scan durchgeführt kann Einblicke und Informationen über die gesamte Tumorlast des Patienten liefern und nicht eine Probe einer Untergruppe von Läsionen (wie durch Biopsie oder Serum-basierte Assays bereitgestellt). Wenn diagnostische Bilder, die alle behandelbaren Läsionen darstellen, weiter mit Computertechniken wie maschinellem Lernen und künstlicher Intelligenz analysiert werden, was zur Identifizierung relevanter bildgebender Biomarker führt, kann eine genaue Gesamtbewertung des Ansprechens des Patienten auf die PD-[L]1-Therapie erreicht werden .